一种基于神经网络的人脸聚类方法以及装置制造方法及图纸

本申请实施例一种基于神经网络的人脸聚类方法以及装置，所述基于神经网络的人脸聚类方法包括：根据人脸检测模型确定并截取输入图像中的至少一个人脸区域，得到至少一张人脸图片；根据人脸识别模型确定所述至少一张人脸图片中各张人脸图片的人脸特征向量；根据人脸过滤模型和所述人脸特征向量再次确认存在人脸的目标人脸图片；根据所述目标人脸图片对应的所述特征向量和人脸聚类模型完成人脸聚类。本申请的一些实施例通过在人脸检测和人脸特征提取之后，再次进行非人脸图片的过滤操作提升了人脸检测的准确度，进而提升了人脸聚类的准确度。

【技术实现步骤摘要】
一种基于神经网络的人脸聚类方法以及装置
本申请涉及人脸聚类领域，具体而言，涉及一种基于神经网络的人脸聚类方法以及装置。
技术介绍
卷积神经网络CNN能够利用大量的样本通过其自身深层的非线性网络结构来学习数据特征表示，具有较强的泛化能力。其独特的结构(局部感受野、权值共享、池化)大大减少了神经网络参数的数量，降低了复杂度，并对位移、缩放和旋转等扭曲具有一定的不变性。卷积神经网络CNN和采用全连接结构的传统人工神经网络相比，参数选择不过分依赖经验，且学习深度更深，与传统算法相比，对光照、表情、姿势等具有较好的鲁棒性，另外二维图像可直接作为网络的输入，避免了特征提取和分类过程中数据重建的复杂过程并在此基础上使用非监督式学习聚类算法实现大规模人脸聚类。在人脸聚类问题中，很难使用一个网络解决所有人脸聚类问题，因此需要多个网络以及非监督式学习算法共同配合才能完成人脸聚类。由于其技术依赖路径长，要求每一个模块的准确度都非常高。而相关技术中，常见的问题是人脸检测模块计算量较大，同时经常产生假阳性样本（即将非人脸错误识别为人脸并当做人脸图片进行了截取），本文档来自技高网...

【技术保护点】
1.一种基于神经网络的人脸聚类方法，其特征在于，所述基于神经网络的人脸聚类方法包括：/n根据人脸检测模型确定并截取输入图像中的至少一个人脸区域，得到至少一张人脸图片；/n根据人脸识别模型确定所述至少一张人脸图片中各张人脸图片的人脸特征向量；/n根据人脸过滤模型和所述人脸特征向量再次确认存在人脸的目标人脸图片；/n根据所述目标人脸图片对应的所述特征向量和人脸聚类模型完成人脸聚类。/n

【技术特征摘要】
1.一种基于神经网络的人脸聚类方法，其特征在于，所述基于神经网络的人脸聚类方法包括：
根据人脸检测模型确定并截取输入图像中的至少一个人脸区域，得到至少一张人脸图片；
根据人脸识别模型确定所述至少一张人脸图片中各张人脸图片的人脸特征向量；
根据人脸过滤模型和所述人脸特征向量再次确认存在人脸的目标人脸图片；
根据所述目标人脸图片对应的所述特征向量和人脸聚类模型完成人脸聚类。


2.如权利要求1所述的基于神经网络的人脸聚类方法，其特征在于，所述根据人脸检测模型确定并截取输入图像中的至少一个人脸区域，得到至少一张人脸图片，包括：
对所述输入图像进行预处理得到第一尺寸预处理图像；
将所述第一尺寸预处理图像输入所述人脸检测模型；
根据设定阈值检测确认所述第一尺寸预处理图像上存在的所述至少一个人脸区域，得到所述至少一张人脸图片。


3.如权利要求2所述的基于神经网络的人脸聚类方法，其特征在于，所述根据设定阈值检测确认所述第一尺寸预处理图像上存在的所述至少一个人脸区域，得到所述至少一张人脸图片之后，所述基于神经网络的人脸聚类方法包括：
确认所述至少一张人脸图片的特征满足预设条件；
将所述至少一张人脸图片进行局部处理后再输入所述人脸识别模型。


4.如权利要求1所述的基于神经网络的人脸聚类方法，其特征在于，所述人脸识别模型是通过中心损失函数和交叉熵损失函数共同确定终止对ResNet网络模型的训练得到的。


5.如权利要求4所述的神经网络的人脸聚类方法，其特征在于，通过总损失值表征各次训练所述ResNet网络模型的训练结果，所述总损失值是由所述中心损失函数得...

【专利技术属性】
技术研发人员：刘李进，
申请(专利权)人：北京神州泰岳智能数据技术有限公司，
类型：发明
国别省市：北京;11